view in publisher's site

Dynamic origin‐destination flow estimation using automatic vehicle identification data: A 3D convolutional neural network approach

Abstract Dynamic origin‐destination (OD) flow estimation is one of the most fundamental problems in traffic engineering. Despite numerous existing studies, the OD flow estimation problem remains challenging, as there is large dimensional difference between the unknown values to be estimated and the known traffic observations. To meet the needs of active traffic management and control, accurate time‐dependent OD flows are required to understand time‐of‐day traffic flow patterns. In this work, we propose a three‐dimensional (3D) convolution‐based deep neural network, “Res3D,” to learn the high‐dimensional correlations between local traffic patterns presented by automatic vehicle identification observations and OD flows. In this paper, a practical framework combining simulation‐based model training and few‐shot transfer learning is introduced to enhance the applicability of the proposed model, as continuously observing OD flows could be expensive. The proposed model is extensively tested based on a realistic road network, and the results show that for significant OD flows, the relative errors are stable around 5%, outperforming several other models, including prevalent neural networks as well as existing estimation models. Meanwhile, corrupted and out‐of‐distribution samples are generated as real‐world samples to validate Res3D's transferability, and the results indicated a 60% improvement with few‐shot transfer learning. Therefore, this proposed framework could help to bridge the gaps between traffic simulations and empirical cases.

تخمین جریان مبدا - مقصد با استفاده از داده‌های شناسایی خودرو خودکار: یک رویکرد شبکه عصبی ۳ بعدی

چکیده تخمین جریان مبدا - مقصد (سازمانی)یکی از مهم‌ترین مشکلات در مهندسی ترافیک است. با وجود تعداد زیادی از مطالعات موجود، مشکل تخمین جریان سازمانی چالش برانگیز باقی می‌ماند، چون تفاوت بعدی زیادی بین مقادیر مجهول وجود دارد که تخمین زده می‌شود و مشاهدات ترافیک شناخته‌شده وجود دارد. برای برآورده کردن نیازهای مدیریت و کنترل ترافیک فعال، جریان‌های سازمانی وابسته به زمان دقیق برای درک الگوهای جریان ترافیک روز مورد نیاز هستند. در این کار، ما یک شبکه عصبی سه‌بعدی را با کانولوشن یک "شبکه عصبی عمیق"، "Res۳D"، برای یادگیری همبستگی ابعادی بالا بین الگوهای ترافیکی محلی ارایه‌شده توسط مشاهدات شناسایی خودکار خودرو و جریان‌های سازمانی پیشنهاد می‌کنیم. در این مقاله، یک چارچوب عملی ترکیب یادگیری مدل مبتنی بر شبیه‌سازی و یادگیری انتقالی چند سطحی معرفی شده‌است تا قابلیت اجرای مدل پیشنهادی را افزایش دهد، چرا که به طور مداوم مشاهده جریان سازمانی می‌تواند پرهزینه باشد. مدل پیشنهادی به طور گسترده براساس یک شبکه جاده‌ای واقع گرایانه مورد آزمایش قرار گرفته‌است و نتایج نشان می‌دهد که برای جریان‌های قابل‌توجه توسعه سازمانی، خطاهای نسبی حدود ۵ %، از جمله چندین مدل دیگر، از جمله شبکه‌های عصبی شایع و مدل‌های برآورد موجود، ثابت هستند. در عین حال، نمونه‌های فاسد و خارج از توزیع به عنوان نمونه‌های دنیای واقعی برای اعتبار سنجی قابلیت انتقال تولید می‌شوند و نتایج نشان‌دهنده بهبود ۶۰ درصدی با یادگیری انتقالی چند مرحله‌ای است. بنابراین، این چارچوب پیشنهادی می‌تواند به اتصال شکاف بین شبیه‌سازی‌های ترافیک و موارد تجربی کمک کند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.